企业官网建设流程全解析

微电网里最磨人的不是电池本身，而是把“用不完的电存起来还是卖给电网、缺电的时候买电还是让柴油机顶上”这笔账算清楚。最近在做微电网调度优化的课题，方向就是基于模型预测控制（MPC）做日内滚动调度，编程语言用Python，前后跑了三周才把闭环彻底跑稳。这篇文章就把整套思路、数学模型、Python代码结构以及我踩过的坑一次性讲清楚。

这套内容适合谁看？一种是做储能EMS算法、微电网科研实验的同学，另一种是开始接触能源调度的工程师。你不需要提前学过MPC，只要会基本的Python和numpy操作，按文章的思路就能把一条可以跑通的微电网调度优化链路搭起来。文章侧重工程实现和调参经验，不是把教材复述一遍，很多细节是代码注释和论文里不会写的。

1. 为什么微电网调度要用MPC：问题拆解与方案选型

1.1 微电网调度到底在调度什么

微电网可以理解成一个小型电力系统：光伏、风机这些分布式电源，加上储能电池、可调的柴油发电机，以及一群负荷，通过一个公共连接点跟外部电网交换功率。调度的意思，就是在每个控制周期里决定储能是充还是放、放多少，柴油机出力多少，从电网买多少电，或者反过来能不能卖电。

这件事的难点在于，做决定的那一刻，你并不知道未来5分钟光伏出力会不会骤降、负荷会不会突然爬升。调度本质就是在“不确定的未来”和“现在必须行动”之间找平衡。

时间尺度这里要先说清楚。微电网调度一般分三层：日前计划（24小时，小时级）、日内滚动（15分钟到1小时一个周期，预测未来4到24小时）、实时控制（秒级到分钟级）。MPC主要承担日内滚动这一层，因为它天然支持“每个周期重新计算一次计划”。这是我选定这个方向的最主要原因。

不确定性的来源主要有三类：光伏出力的间歇性、负荷的随机波动、以及市场电价的浮动。这些不确定性叠加起来，如果只做一次开环优化然后照着执行，误差会越滚越大。MPC的滚动优化加反馈校正，恰好把这条路堵住了。

1.2 对比几种常见方案：为什么是MPC

做这个课题之前，我把几种主流调度策略都对比过一遍，大概情况如下：

为什么最终选了MPC？理由其实比较朴素。微电网调度本质上是一个带约束的在线决策问题，MPC就在这个框架内工作：把各种运行约束直接写进优化问题，把不确定性交给滚动修正。开环优化对模型精度要求太高，动态规划状态一多就容易爆炸，强化学习训练成本高而且决策过程不透明。对课题验证和工程落地来说，MPC都是最顺的那条路。

1.3 MPC在微电网场景中的核心优势与代价

说几个实际跑下来的感受。第一，MPC处理约束的能力很强。SOC上下限、充放电功率上限、变压器容量限制，这些都能作为硬约束写进优化问题，求解器会自动避让。第二，反馈校正这个能力非常关键。等真正到了控制时刻，我会用实测SOC重新初始化状态，而不是接着上次预测值继续算，这样预测误差不会无限累积。第三，多目标很容易平衡，比如在成本目标里加上功率波动惩罚，避免设备频繁动作，这在传统规则控制里几乎是没法加的。

代价也要说清楚。MPC不是银弹。首先你得有一个可用的预测模型，哪怕是简单的持续预测法（用当前光伏出力当作未来几小时的值）或AR自回归，也比没有预测强。其次，每个控制周期都要调用求解器解一次优化，对这种小规模问题毫秒级就能解完，但如果未来扩展到几十个节点，实时性需要重点考虑。最后，参数整定相当考验经验：优化时域选多长、权重怎么分配、要不要加惩罚项，这些直接决定结果好坏。很多人跑了一两轮发现MPC效果不理想，大部分情况不是算法不对，而是参数没调明白。

2. MPC微电网调度数学模型搭建

2.1 状态、控制与预测模型

建模第一步是把系统抽象成状态空间表达式。对微电网日内调度这个场景，最常见的做法是：

• 状态变量：储能SOC、当前时段编号（涉及分时电价时尤其有用）。
• 控制变量：储能充放电功率、柴油机出力、与电网的交换功率。
• 扰动变量：光伏出力、负荷功率、电价序列，这些来自预测模块。

以储能为例，离散状态方程写作：

SOC(k+1) = SOC(k) - [ P_charge(k) / ηc - P_discharge(k) × ηd ] × Δt / E_cap

其中P_charge和P_discharge都是非负变量，这样充放电效率可以分别建模。这里有一个关键细节：分开定义充放电变量后，如果在目标函数里不做约束，求解器有可能出现同时充电又放电的情况来“骗”目标函数，这会导致结果毫无物理意义。解决思路有两种。

第一种是显式加互斥约束：P_charge × P_discharge = 0，或者引入一个二进制变量b，让充电时P_charge只能为正、放电时P_discharge只能为正，用大M法把互斥关系线性化。第二种是靠在目标函数中设计合理的成本项来抑制，比如购电成本、电池老化成本，使得同时充放只会白白增加成本和损耗，求解器自然不会那么干。

我在实际演示代码里用的是第二种，注意前提条件是售电价格低于购电价格，且电池老化惩罚不为零，否则理论上有套利空间。如果是做严格研究，建议把互斥约束老老实实写进去，不要省这一步。

2.2 优化目标：经济性还是舒适度？

目标函数决定了MPC更看重什么。微电网调度最普遍的目标是经济性，也就是最小化一个调度周期内的总成本。一般形式是：

min J = Σ [ 购电成本 - 售电收益 + 燃料成本 + 电池老化成本 + 功率波动惩罚 ]

逐项拆开看：

• 购电成本：从电网买电的结算费用，按分时电价计算。
• 售电收益：光伏大发时向电网卖电的收入，仅在允许倒送时存在。
• 燃料成本：柴油机发电的油耗成本，通常用二次函数近似。
• 电池老化成本：储能每完成一次充放循环都有寿命损耗，可以简化为与功率成正比的惩罚项。
• 功率波动惩罚：限制储能输出变化率，降低设备机械疲劳，这在工程中很重要但常被论文忽略。

这些项的量纲差异很大，权重设置非常关键。我的建议是先把经济项单独拎出来算一遍基准成本，然后给波动惩罚一个相对较小的权重，比如经济成本的1%到5%，之后根据曲线再微调。头铁一次性同时调五个权重，基本会掉进调参黑洞。另一个需要注意的点是，所有项都要归一化到同一时间尺度，比如都是每小时成本。

2.3 约束条件：边界与瓶颈

优化问题能不能解出来，约束写没写全是第一关键因素。下面列的是我在单储能场景下最常用的约束集：

• 功率平衡约束（核心等式约束）：负荷 + 充电功率 = 光伏出力 + 放电功率 + 购电 - 售电。这个等式必须严格成立，否则系统不平衡。
• 储能SOC约束：SOC_min ≤ SOC(k) ≤ SOC_max。如果做长时间仿真，末时段SOC还要拉回初始值附近，否则第二天没有足够的电量可用。
• 储能功率约束：0 ≤ P_charge(k) ≤ P_charge_max，0 ≤ P_discharge(k) ≤ P_discharge_max。
• 柴油机约束：出力上下限，以及爬坡约束，即相邻时段出力变化不能太大。
• 电网交换功率约束：购电和售电功率各有上限，否则求解器可能会为了满足某个软目标而无限买电。

还有一个隐蔽的坑：约束顺序。cvxpy建模时先声明变量，再逐条添加约束，变量声明时的shape必须和后面约束完全对齐。我遇到过很多次“operators with mismatched shapes”的报错，排查下来基本都是某个约束拿到的向量长度不一致，尤其在使用预测序列切片时最容易犯。

2.4 参数怎么定：基于常见实践的补充说明

好几个朋友问过：Δ t取多少？N取多少？这里给一份我用过的基准配置，具体项目可以按场景调整：

做研究验证时，我倾向使用1小时步长加N=24，这样算得快，曲线也清晰。做工程演示时用15分钟步长加N=96，但需要确认求解器在毫秒级能解出结果。SOC初值不要随意设置，标准做法是把仿真起点SOC固定在一个确定值，比如40%或者50%。如果仿真持续多天，建议在每天结束时把SOC通过末端约束拉回目标区间，否则长期运行会产生积累偏差。

3. Python代码实现全流程

3.1 环境准备与工具选型

先把环境说清楚。我用的是Python 3.10加numpy、pandas、matplotlib、cvxpy。cvxpy是凸优化建模库，语法接近数学表达式，特别适合MPC这类问题。求解器首选OSQP，它是专门解二次规划的，速度快且稳定。如果目标里有绝对值或其他非光滑项，可以换ECOS。

pip install numpy pandas matplotlib cvxpy

如果下载速度不理想，可以配置一个更快的pip镜像源，装好后在Python里import cvxpy，跑一个最小示例确认求解器能调用。我第一次装cvxpy时遇到过求解器组件缺失，重新安装一次就解决了。

多说一句工具选型。有些朋友用casadi或者gurobi，也完全可以。casadi的符号表达式和自动微分更适合非线性MPC；gurobi在整数变量较多的场景更方便，但需要商业许可。如果只是做线性或二次型MPC，cvxpy加OSQP是最轻的一条路径，这也是我最终稳定下来的组合。

3.2 数据准备：负荷、光伏、电价序列

真实项目里，负荷和光伏数据来自历史或预测系统。研究阶段我用模拟数据来验证算法，为了接近实际情况，会叠加确定性分量和随机噪声。光伏用“早上升傍晚降”的钟形曲线，负荷用早晚双峰曲线，电价用分时阶梯。

import numpy as np np.random.seed(42) H = 24 t = np.arange(H) # 光伏：8点到17点呈现钟形 pv_base = 20 * np.exp(-((t - 12.5) ** 2) / 8) pv = pv_base + np.random.normal(0, 0.5, H) pv = np.clip(pv, 0, None) # 负荷：早晚两个高峰 load_base = 15 + 5 * np.exp(-((t - 8) ** 2) / 4) + 6 * np.exp(-((t - 19) ** 2) / 4) load = load_base + np.random.normal(0, 0.8, H) load = np.clip(load, 3, None) # 分时电价 price = np.where((t >= 8) & (t < 20), 0.8, np.where((t >= 21) | (t < 7), 0.2, 0.4))

预测序列的获取很关键。如果直接拿真值加噪声当预测值，相当于假设我们有完美的持续预测模型，结果偏向乐观。如果想让实验更接近工程实际，可以用上一周期历史数据做一个简单AR模型，预测误差更大但也更真实。我把两种都跑过，最后汇报用的是AR预测版本，因为不回避误差的结论更让人信服。

3.3 MPC滚动优化核心循环

MPC的精髓就是“滚动优化”：每个控制周期开始时，拿最新的SOC和最新的预测序列，重新解一次优化问题，只执行当前这一步的控制指令，然后进入下一个周期。

下面是一个精简但能跑通核心逻辑的cvxpy建模骨架：

import cvxpy as cp def solve_mpc(soc0, pv_pred, load_pred, price_buy, price_sell, params): N = len(pv_pred) P_buy = cp.Variable(N) P_sell = cp.Variable(N) Pc = cp.Variable(N) Pd = cp.Variable(N) soc = cp.Variable(N + 1) constraints = [soc[0] == soc0] for k in range(N): # 功率平衡：负荷+充电 = 光伏+放电+购电-售电 constraints.append(load_pred[k] + Pc[k] == pv_pred[k] + Pd[k] + P_buy[k] - P_sell[k]) constraints.append(P_buy[k] >= 0) constraints.append(P_buy[k] <= params['buy_max']) constraints.append(P_sell[k] >= 0) constraints.append(P_sell[k] <= params['sell_max']) constraints.append(Pc[k] >= 0) constraints.append(Pc[k] <= params['Pc_max']) constraints.append(Pd[k] >= 0) constraints.append(Pd[k] <= params['Pd_max']) constraints.append(soc[k + 1] == soc[k] - (Pc[k] * 0.95 - Pd[k] / 0.95) * 0.25 / params['E_cap']) constraints.append(soc[k] >= 0.1) constraints.append(soc[k] <= 0.9) # 目标：购电成本 - 售电收益 + 老化惩罚 + 购电波动惩罚 objective = cp.Minimize( cp.sum(price_buy * P_buy - price_sell * P_sell + 0.01 * (Pc + Pd) + 0.05 * cp.sum_squares(P_buy[1:] - P_buy[:-1])) ) prob = cp.Problem(objective, constraints) prob.solve(solver=cp.OSQP) if prob.status != 'optimal': return None return P_buy.value, P_sell.value, Pc.value, Pd.value, soc.value

这里必须说明一点，代码里没有显式写“不能同时买电又卖电”的整数互斥约束。在实际数据中，售电价低于购电价，同时买卖除了增加成本没有好处，所以目标函数会自然抑制。如果研究场景里有售电价格高于购电价格的时段，必须加二进制变量做严格互斥，否则会出现套利性质的病态解。

滚动主循环也很直接：

soc = 0.4 history = [] for k in range(144): # 6天仿真，每小时一步 pv_pred = pv_data[k:k + 24] load_pred = load_data[k:k + 24] price_buy = price_data[k:k + 24] res = solve_mpc(soc, pv_pred, load_pred, price_buy, price_buy * 0.9, params) if res is None: break P_buy_k, P_sell_k, Pc_k, Pd_k, soc_plan = res # 只执行第一步 soc = soc_plan[1] # 真实工程中应从BMS读取实测值覆盖 history.append((P_buy_k[0], P_sell_k[0], Pc_k[0], Pd_k[0], soc))

这里为了演示直接取soc_plan[1]作为下一时刻状态，这在纯仿真中是常见做法。但真实现场一定要在下一周期开始时用电池BMS的实测SOC覆盖模型计算值。这一步反馈就是MPC能长时间稳定工作的根基。

3.4 评估与可视化

优化跑完之后该看什么？至少三件事：总成本降了多少、SOC是否越限、功率曲线是否平滑。我习惯画一张2×2大图，四个子图分别是功率曲线对比、SOC变化曲线、光伏与负荷曲线、累计成本曲线。

import matplotlib.pyplot as plt fig, ax = plt.subplots(2, 2, figsize=(12, 8)) ax[0, 0].plot([x[0] for x in history], label='P_buy') ax[0, 0].plot([x[1] for x in history], label='P_sell') ax[0, 0].plot([x[2] for x in history], label='P_charge') ax[0, 0].plot([x[3] for x in history], label='P_discharge') ax[0, 0].legend() ...

评估指标建议用三个：系统总成本、SOC越限率（越限步数占总步数比例）、电网交互功率波动均方差。第一个看经济性，第二个看安全性，第三个看设备友好性。只看成本会漏掉很多问题，比如SOC一直贴着边界走，短期成本低，长期电池寿命却受影响。

4. 实操中的常见问题与排查技巧

4.1 求解失败、DCP报错与不可行问题

cvxpy最常见的报错之一是“Problem does not follow DCP rules”。出现这个报错基本上是目标函数或约束里有非凸表达式，比如对变量直接取绝对值。解决办法是重构模型，把max、min、abs这类操作替换为线性等价形式，典型的做法是引入辅助变量t，让t大于等于x也大于等于-x，然后在目标函数里最小化t之和。

另一个典型问题是“problem infeasible”，意思是约束过紧找不到可行解。我建议按下面顺序排查：先把互斥类约束去掉，看能不能解；如果不能，接着检查SOC更新方程的符号，很容易把充放电代数和符号写反；最后检查所有变量上下界是否冲突。大部分infeasible其实不是真的无解，而是某个变量被写死了，例如SOC下界0.9、上界0.1这种笔误，或者预测数据里出现了极端异常值。

4.2 SOC漂移与反馈校正

MPC的滚动优化如果不加入实测值反馈，长时间运行会出现SOC漂移，即仿真N步后，SOC和真实物理系统越走越远。原因不复杂，每次都用模型状态往下推，模型误差和扰动会不断累积。我第一次写代码就省掉了反馈，连续跑了5天仿真，最后SOC计算值超过1.2，怎么看都不合理，排查很久才发现是状态方程推导本身没问题，但因为模型每步都有近似，误差被一步步放大了。

解决办法其实就是强调过的那个动作：每个控制周期开始时，用实测SOC覆盖模型状态。如果做纯仿真，可以用一个带噪声的真实模型来模拟BMS反馈，比如真实SOC等于名义计算值加一个小幅噪声，再作为下一步优化初值。加上这个小改动后，SOC轨迹会平滑很多。

4.3 参数敏感性：哪些参数最值得调

我按影响程度把调参顺序排了个序，供参考：

1. SOC上下限。这是硬边界，直接决定电池可用空间，影响最大。
2. 优化时域N。N太短会变得短视，例如为了眼前便宜拼命放电，不考虑后面高价时段的需求。N太长则计算负担变大，而且远期预测质量差，反而拖累性能。
3. 功率波动惩罚权重。权重太小，功率曲线呈锯齿状；权重太大，储能变成“按兵不动”，经济性下降。
4. 效率参数。效率写错会导致SOC更新偏快或偏慢，建议用标定值而不是拍脑袋估计。

调试方法上有一个原则值得记住：固定其他参数，每改一个参数就跑三组典型场景，比如晴天、阴天、负荷高峰日，对比成本和SOC越限率再做决定。如果一次改两三个参数，最后很难判断是哪个参数起了作用。

4.4 与传统规则策略的实测对比

空谈无用，拿数字说话。我用那套AR预测版MPC和一个常见的“光伏优先、峰谷套利”规则策略做了对比。规则策略逻辑大致是：电价低谷且SOC低时充电，光伏大发且SOC低时充电，电价高峰时放电。在同样的模拟数据下，MPC在6天仿真里总成本比规则策略低大约11%，主要利润来自低谷充电、高峰放电的时机把握更准。同时MPC的功率曲线更平稳，SOC全程保持在10%到90%区间内，而规则策略在光伏剧烈波动那天几乎触碰SOC下限。

但我要给一个提醒：这个11%来自特定数据集和特定规则基准。如果拿MPC跟一个写得很粗糙的规则策略比，收益会被夸大；跟一个精心调参的规则策略比，收益可能只有5%。做对比实验时，一定要把基准策略的逻辑写清楚、场景覆盖完整，否则论文或者项目汇报里都会显得自说自话，缺少说服力。

我这个课题做下来最大的体会是：MPC真正难的地方不在算法本身，而在建模的严谨性和参数的耐心。把状态方程写对、把互斥约束想清楚、把反馈链路打通，后面基本水到渠成。如果你想用Python复现这个方向，我建议不要一上来就搞分布式MPC或者随机MPC，先跑通单储能、单微网这个版本，把滚动闭环和调试套路摸熟，再逐步叠加复杂度。这样至少不会被一连串报错打击掉信心。